基于阶梯状递进神经网络的显著性物体检测方法技术

本发明专利技术公开了一种基于阶梯状递进神经网络的显著性物体检测方法。本发明专利技术包括训练阶段过程和测试阶段过程；训练阶段过程，构建卷积神经网络；将原始的带有显著性物体的各类场景图像输入到卷积神经网络中进行训练，得到对应的显著性物体预测图像；再通过计算所有显著性物体预测图像组成的图像集与对应的显著性物体真实检测图像组成的图像集之间的损失函数值，获得卷积神经网络的最优权值矢量和偏置项；测试阶段过程，将待检测的带有显著性物体的各类场景图像输入到训练好的卷积神经网络中，得到显著性物体预测图像。本发明专利技术提高了各类场景的显著性物体检测的速率和精确率。

【技术实现步骤摘要】
基于阶梯状递进神经网络的显著性物体检测方法
本专利技术涉及图像处理
，尤其是涉及一种基于阶梯状递进神经网络的显著性物体检测方法。
技术介绍
显著性检测的目的是检测出一个场景中最吸引人类注意力的物体，在视觉追踪、图像分割等很多视觉任务上有广泛的应用；目前大多方法重点考虑从RGB图像或者RGB-D图像中预测显著物体，这严重依赖于光照条件、天气情况以及深度图的质量，而红外图像可以很好地弥补光照不足等问题，捕捉到更多可见光图像所缺失的信息；红外光谱图提供了场景三维的空间关系，可以有效地辅助显著性物体检测算法避免由前景和背景颜色带来歧义；因此越来越多工作开始研究如何更好地借助光谱图来进行显著性物体检测任务，即RGB-T显著性物体检测。之前的RGB-D显著性物体的方法，常常使用深度对比度作为重要的先验；这些方法实际上是利用深度信息将注意力关注于前景区域；但是，深度图的质量也因此变得十分重要，往往会影响网络最后的预测结果。前景和背景的分布存在巨大差异，无差别地从其中学习显著性的线索较为困难；传统方法中有一些方法提出分别从前景和背景推理显著性区域的策略，但是在基于深度学习的方法中，这个朴素而有效的思想并未被重视，借助光谱图来进行显著性物体检测任务可以有效的解决深度图质量差所带来的问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于阶梯状递进神经网络的显著性物体检测方法，其检测速度快，准确率高。本专利技术解决上述技术问题所采用的技术方案为：一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于包括训练阶段和测试阶段两个过程；所述的训练阶段过程的具体步骤为：步骤1_1：选取Q幅原始的带有显著性物体的各类场景图像及每幅原始的带有显著性物体的各类场景图像对应的显著性物体真实检测图像，由Q幅原始的带有显著性物体的各类场景图像及对应的显著性物体真实检测图像构成训练集；步骤1_2：构建卷积神经网络，卷积神经网络主要由10个基础模块、5个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和4个引导模块组成；步骤1_3：将训练集中原始的带有显著性物体的各类场景图像作为原始输入图像输入到卷积神经网络中进行训练，得到对应的显著性物体预测图像；步骤1_4：计算所有显著性物体预测图像组成的图像集与对应的显著性物体真实检测图像组成的图像集之间的损失函数值，当训练次数达到预设次数时，卷积神经网络训练结束，获得训练后的卷积神经网络；所述的测试阶段过程的具体步骤为：步骤2_1：选取测试集中的第p组待检测的带有显著性物体的各类场景；步骤2_2：将第p组待检测的带有显著性物体的各类场景输入到训练后的卷积神经网络中，训练后的卷积神经网络输出对应的显著性物体预测图像。所述卷积神经网络主要由十个基础模块、五个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和四个引导模块组成，具体为：第一基础模块、第二基础模块、第三基础模块、第四基础模块和第五基础模块依次连接，第六基础模块、第七基础模块、第八基础模块、第九基础模块和第十基础模块依次连接，卷积神经网络的输入分别输入到第一基础模块和第六基础模块；第一基础模块和第六基础模块的输出同时输入到第一交融模块，第二基础模块和第七基础模块的输出同时输入到第二交融模块，第三基础模块和第八基础模块的输出同时输入到第三交融模块，第四基础模块和第九基础模块的输出同时输入到第四交融模块，第五基础模块和第十基础模块的输出同时输入到第五交融模块，第一交融模块、第二交融模块、第三交融模块和第四交融模块的输出分别输入到多尺度锐化特征模块的第五输入端、第四输入端、第三输入端和第二输入端，第五交融模块的输出经金字塔锐化特征模块后输入到多尺度锐化特征模块的第一输入端；每个引导模块均有两个输入端，多尺度锐化特征模块的第五输出端、第四输出端、第三输出端和第二输出端分别与第四引导模块、第三引导模块、第二引导模块和第一引导模块的第一输入端相连，多尺度锐化特征模块的第一输出端与第一引导模块的第二输入端相连，第一引导模块的输出输入到第二引导模块的第二输入端，第二引导模块的输出输入到第三引导模块的第二输入端，第三引导模块的输出输入到第二引导模块的第二输入端，第四引导模块的输出作为卷积神经网络的输出。所述多尺度锐化特征模块具体为：多尺度锐化特征模块包括四个堆叠模块、十个上采样模块和四个特征过滤模块；多尺度锐化特征模块的第五输入端输入到第四堆叠模块，多尺度锐化特征模块的第四输入端输入到第三堆叠模块，多尺度锐化特征模块的第三输入端输入到第二堆叠模块，多尺度锐化特征模块的第二输入端输入到第一堆叠模块，多尺度锐化特征模块的第一输入端输入到第一上采样模块，第一上采样模块的输出分别输入到第一堆叠模块和第二上采样模块，第二上采样模块的输出分别输入到第二堆叠模块和第三上采样模块，第三上采样模块的输出分别输入到第三堆叠模块和第四上采样模块，第四上采样模块的输出输入到第四堆叠模块；多尺度锐化特征模块的第二输入端还输入到第五上采样模块，第五上采样模块的输出分别输入到第二堆叠模块和第六上采样模块，第六上采样模块的输出分别输入到第三堆叠模块和第七上采样模块，第七上采样模块的输出输入到第四堆叠模块；多尺度锐化特征模块的第三输入端还输入到第八上采样模块，第八上采样模块的输出分别输入到第三堆叠模块和第九上采样模块，第九上采样模块的输出输入到第四堆叠模块；多尺度锐化特征模块的第四输入端的输入还输入到第十上采样模块，第十上采样模块的输出输入到第四堆叠模块；第一上采样模块的输入作为多尺度锐化特征模块的第一输出端，第一堆叠模块的输出经第一特征过滤模块后的输出作为多尺度锐化特征模块的第二输出端，第二堆叠模块的输出经第二特征过滤模块后的输出作为多尺度锐化特征模块的第三输出端，第三堆叠模块的输出经第三特征过滤模块后的输出作为多尺度锐化特征模块的第四输出端，第四堆叠模块的输出经第四特征过滤模块后的输出作为多尺度锐化特征模块的第五输出端。所述引导模块具体为：引导模块包括第十一上采样模块、三个卷积模块、三个激活模块、第二分割模块和中间模块；引导模块第一输入端的输入输入到第十一上采样模块，第十一上采样模块依次经第一卷积模块和第一激活模块后与第二分割模块相连，引导模块第一输入端的输入和第二分割模块的输出进行相乘后的输出再与引导模块第一输入端的输入进行相加后输入到第二卷积模块，第二卷积模块的输出输入到第二激活模块，引导模块第一输入端的输入和第二分割模块的输出进行相乘后的输出输入到第三卷积模块，第三卷积模块经第三激活模块后与中间模块相连，第二激活模块的输出与引导模块第二输入端的输入进行相乘后输出第一中间输出，中间模块的输出与引导模块第二输入端的输入进行相乘后输出第二中间输出，第一中间输出、第二中间输出和引导模块第二输入端的输入进行相加后的输出作为引导模块的输出。所述交融模块具体为：交融模块包括第四卷积模块、第五卷积模块、自适应模块和第四激活模块；第四卷积模块、第五卷积模块本文档来自技高网...

【技术保护点】
1.一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于：包括训练阶段过程和测试阶段过程；/n所述的训练阶段过程的具体步骤为：/n步骤1_1：选取Q幅原始的带有显著性物体的各类场景图像及每幅原始的带有显著性物体的各类场景图像对应的显著性物体真实检测图像，由Q幅原始的带有显著性物体的各类场景图像及对应的显著性物体真实检测图像构成训练集；/n步骤1_2：构建卷积神经网络，卷积神经网络主要由10个基础模块、5个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和4个引导模块组成；/n步骤1_3：将训练集中原始的带有显著性物体的各类场景图像作为原始输入图像输入到卷积神经网络中进行训练，得到对应的显著性物体预测图像；/n步骤1_4：计算所有显著性物体预测图像组成的图像集与对应的显著性物体真实检测图像组成的图像集之间的损失函数值，当训练次数达到预设次数时，卷积神经网络训练结束，获得训练后的卷积神经网络；/n所述的测试阶段过程的具体步骤为：/n步骤2_1：选取测试集中的第p组待检测的带有显著性物体的各类场景；/n步骤2_2：将第p组待检测的带有显著性物体的各类场景输入到训练后的卷积神经网络中，训练后的卷积神经网络输出对应的显著性物体预测图像。/n...

【技术特征摘要】
1.一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于：包括训练阶段过程和测试阶段过程；
所述的训练阶段过程的具体步骤为：
步骤1_1：选取Q幅原始的带有显著性物体的各类场景图像及每幅原始的带有显著性物体的各类场景图像对应的显著性物体真实检测图像，由Q幅原始的带有显著性物体的各类场景图像及对应的显著性物体真实检测图像构成训练集；
步骤1_2：构建卷积神经网络，卷积神经网络主要由10个基础模块、5个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和4个引导模块组成；
步骤1_3：将训练集中原始的带有显著性物体的各类场景图像作为原始输入图像输入到卷积神经网络中进行训练，得到对应的显著性物体预测图像；
步骤1_4：计算所有显著性物体预测图像组成的图像集与对应的显著性物体真实检测图像组成的图像集之间的损失函数值，当训练次数达到预设次数时，卷积神经网络训练结束，获得训练后的卷积神经网络；
所述的测试阶段过程的具体步骤为：
步骤2_1：选取测试集中的第p组待检测的带有显著性物体的各类场景；
步骤2_2：将第p组待检测的带有显著性物体的各类场景输入到训练后的卷积神经网络中，训练后的卷积神经网络输出对应的显著性物体预测图像。


2.根据权利要求1所述的一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于：所述卷积神经网络主要由十个基础模块、五个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和四个引导模块组成，具体为：
第一基础模块、第二基础模块、第三基础模块、第四基础模块和第五基础模块依次连接，第六基础模块、第七基础模块、第八基础模块、第九基础模块和第十基础模块依次连接，卷积神经网络的输入分别输入到第一基础模块和第六基础模块；第一基础模块和第六基础模块的输出同时输入到第一交融模块，第二基础模块和第七基础模块的输出同时输入到第二交融模块，第三基础模块和第八基础模块的输出同时输入到第三交融模块，第四基础模块和第九基础模块的输出同时输入到第四交融模块，第五基础模块和第十基础模块的输出同时输入到第五交融模块，第一交融模块、第二交融模块、第三交融模块和第四交融模块的输出分别输入到多尺度锐化特征模块的第五输入端、第四输入端、第三输入端和第二输入端，第五交融模块的输出经金字塔锐化特征模块后输入到多尺度锐化特征模块的第一输入端；每个引导模块均有两个输入端，多尺度锐化特征模块的第五输出端、第四输出端、第三输出端和第二输出端分别与第四引导模块、第三引导模块、第二引导模块和第一引导模块的第一输入端相连，多尺度锐化特征模块的第一输出端与第一引导模块的第二输入端相连，第一引导模块的输出输入到第二引导模块的第二输入端，第二引导模块的输出输入到第三引导模块的第二输入端，第三引导模块的输出输入到第二引导模块的第二输入端，第四引导模块的输出作为卷积神经网络的输出。


3.根据权利要求2所述的一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于：所述多尺度锐化特征模块具体为：
多尺度锐化特征模块包括四个堆叠模块、十个上采样模块和四个特征过滤模块；
多尺度锐化特征模块的第五输入端输入到第四堆叠模块，多尺度锐化特征模块的第四输入端输入到第三堆叠模块，多尺度锐化特征模块的第三输入端输入到第二堆叠模块，多尺度锐化特征模块的第二输入端输入到第一堆叠模块，多尺度锐化特征模块的第一输入端输入到第一上采样模块，第一上采样模块的输出分别输入到第一堆叠模块和第二上采样模块，第二上采样模块的输出分别输入到第二堆叠模块和第三上采样模块，第三上采样模块的输出...

【专利技术属性】
技术研发人员：周武杰，吴俊一，雷景生，万健，甘兴利，钱小鸿，叶宁，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33